橫軸：負正類率(false postive rate, fpr)，特異度，劃分例項中所有負例佔所有負例的比例；(1-specificity)
縱軸：真正類率(true postive rate, tpr)，靈敏度，sensitivity(正類覆蓋率)
(1)若乙個例項是正類並且被**為正類，即為真正類(true postive ,tp)
(2)若乙個例項是正類，但是被**成為負類，即為假負類(false negative, fn)
(3)若乙個例項是負類，但是被**成為正類，即為假正類(false postive ,fp)
(4)若乙個例項是負類，但是被**成為負類，即為真負類(true negative ,tn)
混淆矩陣如下，1代表正類，0代表負類：
predict: 0
predict: 1
label: 0
tnfp
label: 1
fntp
由上表可得出橫，縱軸的計算公式：
(1)真正類率(true postive rate)tpr: tp/(tp+fn),代表分類器**的正類中實際正例項佔所有正例項的比例。sensitivity
(2)負正類率(false postive rate)fpr: fp/(fp+tn)，代表分類器**的正類中實際負例項佔所有負例項的比例。1-specificity
(3)真負類率(true negative rate)tnr: tn/(fp+tn),代表分類器**的負類中實際負例項佔所有負例項的比例，tnr=1-fpr。specificity
假設採用邏輯回歸分類器，其給出針對每個例項為正類的概率，那麼通過設定乙個閾值如0.6，概率大於等於0.6的為正類，小於0.6的為負類。對應的就可以算出一組(fpr,tpr),在平面中得到對應座標點。隨著閾值的逐漸減小，越來越多的例項被劃分為正類，但是這些正類中同樣也摻雜著真正的負例項，即tpr和fpr會同時增大。閾值最大時，對應座標點為(0,0),閾值最小時，對應座標點(1,1)。
如下面這幅圖，(a)圖中實線為roc曲線，線上每個點對應乙個閾值。
橫軸fpr:1-tnr,1-specificity，fpr越大，**正類中實際負類越多。
縱軸tpr：sensitivity(正類覆蓋率),tpr越大，**正類中實際正類越多。
理想目標：tpr=1，fpr=0,即圖中(0,1)點，故roc曲線越靠攏(0,1)點，越偏離45度對角線越好，sensitivity、specificity越大效果越好。假設已經得出一系列樣本被劃分為正類的概率，然後按照從大到小排序，下圖是乙個示例，圖中共有20個測試樣本，「class」一欄表示每個測試樣本真正的標籤（p表示正樣本，n表示負樣本），「score」表示每個測試樣本屬於正樣本的概率。
首先統計出，一共含有10個正樣本、10個負樣本。 首先，以(0,0)為初始起點。
接下來，我們從高到低，依次將「score」值作為閾值threshold，當測試樣本屬於正樣本的概率大於或等於這個threshold時，我們認為它為正樣本，否則為負樣本。從第乙個樣本開始（標籤為positive正類），設該樣本的score值為閾值，則該樣本之後的樣本(還剩餘9個positive、10個negative)判為負樣本，計算得tpr=1/10=0.1,fpr=0/10=0.0，即roc曲線(0, 0.1)點；再選擇第二個樣本點（標籤為positive正類）的score作為閾值，大於等於該閾值的樣本(2個positive)判為正樣本，小於該閾值（還剩餘8個positive、10個negative）的判為負樣本，計算tpr=2/10=0.2，frp=0/10=0.0，可在roc圖畫出該點。
這樣一來，我們一共得到了20組fpr和tpr的值，將它們畫在roc曲線的結果如下圖：
我們可以大致推斷出，當新樣本真實分類為positive時候，階梯數值向上乙個單位（（1/真實正樣本總數））；當新樣本真實分類為negative時候，階梯水平向右移動乙個單位（1/真實負樣本總數）。
上面是將樣本的**score從大到小排列，從第乙個socre作為閾值，依次遍歷所有score。先得出全判負類時tpr，fpr的值，最後得出全判正類的tpr，fpr的值，畫roc曲線對應的先畫出(0,0)點，最後再畫出(1,1)點；
另外一種方法是，將樣本的**score從小到大排列，從第乙個socre作為閾值，依次遍歷所有score。先得出全判正類時tpr，fpr的值，最後得出全判負類的tpr，fpr的值，畫roc曲線對應的先畫出(1,1)點，最後再畫出(0,0)點。
auc作為數值可以直觀的評價分類器的好壞，值越大越好。
首先auc值是乙個概率值，當你隨機挑選乙個正樣本以及負樣本，當前的分類演算法根據計算得到的score值將這個正樣本排在負樣本前面的概率就是auc值，auc值越大，當前分類演算法越有可能將正樣本排在負樣本前面，從而能夠更好地分類。
直接調庫sklearn :from sklearn.metrics import roc_auc_scorefrom sklearn.metrics import roc_auc_score
改變型別為列表:
改變型別為pytorch張量:
ROC 曲線，以及AUC計算方式
roc曲線 roc曲線 接收者操作特徵 receiveroperating characteristic roc曲線上每個點反映著對同一訊號刺激的感受性。roc曲線的橫軸 負正類率 false postive rate fpr 特異度，劃分例項中所有負例佔所有負例的比例 1 specificity ...
python計算ROC曲線和面積AUC
roc曲線是根據一系列不同的二分類方式 分界值或決定閾 以真正率 也就是靈敏度 true positive rate,tpr 為縱座標，假正率 1 特效性 false positive rate,fpr 為橫座標繪製的曲線。通過將連續變數設定出多個不同的臨界值，從而計算出一系列敏感性和特異性，從而可...
ROC曲線和AUC面積
本博文所有理論都是基於二分類，多分類問題其實與二分類問題相通。考慮乙個二分問題，如果一類定為正類 positive 那麼另一類就是負類 negative 注意和正樣本和負樣本概念不同，參考博文 真正類 true positive 例項是正類並且也被 成正類 假正類 false positive 例項...